Trabajamos con el stack de IA líder de la industria
Caso de éxito - San Juan, Argentina
En San Juan utilizamos TerraX® Geospatial Analyzer sobre una superficie de decenas de miles de hectáreas.
El análisis multiespectral permitió:
Este modelo identifica zonas con alteración hidrotermal asociada a minerales como sericita, muscovita, caolinita, alunita y cuarzo, típicos de ambientes pórfidos o epitermales. Estos minerales se vinculan frecuentemente con la presencia de oro, cobre y plata, lo que convierte al modelo en un indicador clave para definir áreas prioritarias de exploración minera.
Este modelo detecta la concentración de minerales arcillosos como caolinita, illita y esmectita, que actúan como marcadores de alteración argílica. Su presencia está asociada a procesos hidrotermales y acumulaciones minerales de interés económico, aportando información valiosa para la cartografía geológica, la prospección minera y la planificación territorial.
Este modelo revela áreas con alta concentración de óxidos de hierro, como hematita, goethita y limonita, indicativos de oxidación superficial y alteración hidrotermal. Estas zonas suelen estar relacionadas con la mineralización secundaria de hierro, cobre y oro, siendo un modelo fundamental para la identificación de estructuras favorables y el monitoreo ambiental.
Este modelo identifica zonas con potencial para pegmatitas portadoras de litio, aplicando relaciones espectrales que realzan la presencia de spodumena, lepidolita y petalita, minerales asociados a litio, tántalo y estaño. Este enfoque permite mapear áreas favorables dentro de sistemas graníticos e hidrotermales, contribuyendo a la prospección temprana y a la priorización de objetivos en exploración energética.
Este modelo detecta zonas con potencial para mineralizaciones de uranio mediante la identificación de alteraciones hidrotermales y firmas espectrales asociadas a uraninita, autunita y torbernita. Estas asociaciones suelen presentarse junto a hierro y cobre, en sistemas graníticos o de fractura con intensa actividad hidrotermal. El modelo permite delimitar áreas favorables para la prospección de uranio y metales acompañantes, integrando criterios espectrales, estructurales y geológicos.
Este modelo permite detectar y monitorear efluentes ácidos provenientes de minas activas o abandonadas, combinando análisis espectral y clasificación con inteligencia artificial. Identifica zonas afectadas por la oxidación de sulfuros metálicos, principalmente pirita y pirrotita, junto con la presencia de hierro y sulfatos disueltos. Este modelo de TerraX es fundamental para la evaluación ambiental, el seguimiento temporal de aguas contaminadas y la gestión sostenible de pasivos mineros.
Este modelo utiliza redes neuronales no supervisadas para integrar y analizar múltiples fuentes de datos geoespaciales, como imágenes satelitales, información geofísica y geoquímica. Este enfoque permite identificar patrones ocultos, zonas anómalas y asociaciones minerales que no son evidentes mediante análisis convencionales. Además genera mapas de exploración inteligente, facilitando la detección de potenciales zonas mineralizadas y optimizando la planificación de campañas de campo.
Este modelo permite supervisar la evolución de áreas mineras activas y pasivos ambientales a través de imágenes satelitales multitemporales y análisis con inteligencia artificial. Detecta expansiones de frentes de extracción, cambios en pilas de estériles, variaciones en relaves y drenajes ácidos, proporcionando información clave para la gestión ambiental, la trazabilidad operativa y la planificación sostenible de la minería.
Este modelo permite detectar y analizar movimientos del terreno con precisión milimétrica mediante técnicas de interferometría radar satelital (InSAR). Este modelo integra los datos para monitorear hundimientos, deslizamientos, deformaciones mineras y estabilidad estructural. Su uso es esencial para la gestión de riesgos geotécnicos, el control ambiental y la planificación de infraestructura en zonas sensibles.
Índice de Vegetación de Diferencia Normalizada.
Este índice es una medida de la vegetación verde y saludable. La combinación de su formulación de diferencia normalizada y el uso de las regiones de mayor absorción y reflectancia de la clorofila lo hacen robusto en una amplia variedad de condiciones.
Índice de Área Foliar
Este índice se utiliza para estimar la cobertura del follaje y para predecir el crecimiento y el rendimiento de los cultivos.
Índice de Clorofila Verde
Este índice se utiliza para estimar el contenido de clorofila en las hojas a lo largo de una amplia variedad de especies vegetales.
Índice de Brillo del Suelo
Este índice actúa como un indicador de materia orgánica, contenido de arena y salinidad. Permite analizar la degradación y erosión del suelo, factores clave para la sostenibilidad agrícola.
Índice de Humedad Normalizado
Se utiliza para determinar el contenido de agua en la vegetación y es ideal para detectar estrés hídrico en las plantas. Una vegetación saludable presenta valores altos de NDMI, mientras que valores bajos indican que las plantas están sometidas a estrés por falta de humedad.
Índice de Agua Normalizado
Se utiliza para diferenciar cuerpos de agua de las áreas terrestres secas y para realizar la cartografía de masas de agua. En los mapas, suele representarse en tonos de azul.
Índice de Banda de Agua
Se utiliza para cuantificar el contenido relativo de agua a nivel de hoja.
Índice de Estrés Hídrico
Se utiliza para analizar el estrés hídrico del dosel vegetal, predecir la productividad y realizar modelado biofísico. Los valores altos del índice indican mayor estrés hídrico en las plantas y menor contenido de humedad en el suelo y el follaje.
Modelo con IA para inferencia de rendimiento de cultivos
Modelo basado en inteligencia artificial diseñado para estimar e inferir el rendimiento de cultivos a partir de información multifuente. Permite generar predicciones precisas y escalables por lote e identificar zonas de alta y baja productividad para optimizar las decisiones de manejo agrícola, contribuyendo a una gestión más eficiente y sostenible del territorio analizado.
Modelo con IA para inferencia de cultivos potenciales
Modelo de inteligencia artificial entrenado con imágenes satelitales multiespectrales y datos de referencia agronómicos para identificar y clasificar cultivos potenciales dentro de un área de estudio. Utiliza algoritmos de aprendizaje supervisado para distinguir patrones espectrales asociados a distintos cultivos y generar mapas de probabilidad o distribución. Este modelo permite estimar la aptitud agrícola, planificar rotaciones y optimizar el uso del suelo con base en las condiciones de cada lote.
Datos Climáticos
Módulo de análisis climático que integra variables meteorológicas clave —temperatura, precipitación, radiación solar, viento y punto de rocío— para caracterizar el comportamiento ambiental de una región a lo largo del tiempo. Permite evaluar la estacionalidad, detectar anomalías y correlacionar condiciones atmosféricas con el desarrollo de cultivos o la productividad del suelo.
Datos del Suelo
Módulo que integra variables edáficas fundamentales —densidad aparente, materia orgánica, pH, capacidad de intercambio catiónico (CEC), textura (arcilla, limo y arena) y contenido de nitrógeno— para caracterizar la estructura y fertilidad del suelo. Estos indicadores permiten evaluar la capacidad productiva, la retención de agua y nutrientes, y la aptitud del terreno para distintos cultivos. El modelo facilita la toma de decisiones agronómicas orientadas a la sostenibilidad y a la optimización del manejo del suelo en cada lote.
Profundidad Óptica de Aerosoles
El modelo mide la concentración de aerosoles atmosféricos y su efecto sobre la radiación solar. Esta variable indica cuánto de la luz solar es absorbida o dispersada por partículas en suspensión, permitiendo evaluar los niveles de contaminación y el balance energético de la atmósfera.
NO₂ – Dióxido de Nitrógeno
El modelo cuantifica la presencia de dióxido de nitrógeno, un contaminante derivado de la combustión vehicular e industrial. Sus valores permiten estimar el grado de polución urbana e industrial y su influencia en la formación de ozono troposférico.
CH₄ – Metano
El modelo evalúa concentraciones de este gas de efecto invernadero con un potencial de calentamiento más de 25 veces superior al del CO₂. Permite identificar fuentes naturales y antropogénicas de emisión, contribuyendo al cálculo de la huella de carbono global.
CO – Monóxido de Carbono
El modelo detecta emisiones de combustión incompleta en sectores urbanos e industriales. Aunque su impacto climático directo es menor, desempeña un papel clave en la formación de ozono y en la química atmosférica.
